Wpływ Social Media na życia studentów
1 Wprowadzenie
W dobie powszechnej cyfryzacji media społecznościowe stały się nieodłącznym elementem codzienności akademickiej, kształtując sposób, w jaki studenci komunikują się, spędzają wolny czas i budują relacje. Celem niniejszego raportu jest wielowymiarowa analiza wpływu korzystania z platform społecznościowych na dobrostan studentów. Szczególny nacisk położono na zbadanie korelacji między czasem ekranowym a zdrowiem psychicznym, jakością snu oraz wynikami w nauce.
Raport zawiera przegląd kluczowych statystyk, wizualizację rozkładu zmiennych oraz wnioski płynące z analizy zależności między cechami demograficznymi a wzorcami zachowań cyfrowych. Analizowany zbiór danych składa się z 705 obserwacji oraz 13 zmiennych, obejmujących m.in. dane demograficzne, preferowane platformy, czas użytkowania oraz wskaźniki subiektywnego poczucia uzależnienia.
Projekt pomoże odpowiedzieć na postawione przez nas pytania badawcze, takie jak: - Czy istnieje statystycznie istotna zależność między poziomem uzależnienia od social mediów a zdrowiem psychicznym studentów, - Jak korzystanie z mediów społecznościowych wpływa na wyniki akademickie? -
1.1 Opis danych
Analizowany zbiór danych składa się z 13 zmiennych dotyczących studentów z różnych krajów. Dane obejmują trzy kluczowe obszary:
Demografię (m.in. wiek, płeć, poziom edukacji).
Aktywność w sieci (średni czas korzystania, najczęściej używana platforma).
Wskaźniki dobrostanu (poziom uzależnienia, ocena zdrowia psychicznego, jakość snu oraz wpływ na wyniki w nauce).
Zbiór jest kompletny i nie zawiera brakujących wartości.
2 Porządkowanie danych
2.1 Braki danych
W danych znajduje się 100 % kompletnych wartości.
2.2 Walidacja danych
- czy wiek przyjmuje wartości od 16 - 25?
- czy godziny przyjmują wartości 0 - 24?
- czy wszystkie wartości liczbowe są większe od 0?
- czy mental health score i addicted score przyjmują wartości 1 - 10?
- płeć - kobieta lub mężczyzna?
- poziom wykształcenia - szkoła średnia, studia I stopnia lub studia II stopnia
- status związku - wolny, w związku, “to skomplikowane”
- czy wpływa na wyniki akademickie - tak lub nie?
reguly <- validator(
Age >= 16 & Age <= 25,
Gender %in% c("Female", "Male"),
Academic_Level %in% c("High School", "Undergraduate", "Graduate"),
Avg_Daily_Usage_Hours > 0 & Avg_Daily_Usage_Hours < 24,
Affects_Academic_Performance %in% c("Yes", "No"),
Sleep_Hours_Per_Night >= 0 & Sleep_Hours_Per_Night <= 24,
Mental_Health_Score >= 1 & Mental_Health_Score<=10,
Relationship_Status %in% c("In Relationship", "Single", "Complicated"),
Addicted_Score >= 1 & Addicted_Score <= 10
)## Warning: The 'barplot' method for confrontation objects is deprecated. Use
## 'plot' instead
3 Wizualizacja danych
3.1 Charakterystyka demograficzna badanej grupy studenckiej
3.1.1 Rozkład Płci i Poziomu Akademickiego
dane$Academic_Level <- factor(dane$Academic_Level,
levels = c("High School", "Undergraduate", "Graduate"))
dane$Gender <- factor(dane$Gender,
levels = c("Male", "Female")
)
ggplot(dane, aes(x = Academic_Level, fill=Gender)) +
geom_bar(position = "dodge") +
labs(title = "Rozkład płci i poziomu akademickiego",
x = "Poziom akademicki",
y = "Liczba studentów") +
theme_minimal()Analiza struktury demograficznej wskazuje na równomierny rozkład płci (blisko 50/50), natomiast w podziale na poziom edukacji przeważają osoby na studiach I i II stopnia, stanowiąc łącznie ponad 96% próby.
3.1.2 Wiek badanych
ggplot(dane, aes(x = Age)) +
geom_histogram(binwidth = 0.5, fill = "skyblue", color = "black") +
labs(title = "Wiek badanych studentów",
x = "Wiek",
y = "Liczba studentów") +
theme_minimal()Większość badanych to osoby w wieku od 19 do 23 lat, co wskazuje na silną koncentrację danych wokół typowego wieku studenckiego. Średnia wieku w próbie wynosi około 21 lat.
4 Statystyki opisowe
4.1 Statystyki opisowe dla zmiennej Avg_Daily_Usage_Hours w podziale na 5 najczęściej używanych platform
Ze względu na nierówną liczebność obserwacji w poszczególnych kategoriach zmiennej Most Used Platform, analizę ograniczono do pięciu najczęściej deklarowanych platform społecznościowych.
top5_platform <- dane %>%
count(Most_Used_Platform, sort = TRUE) %>%
slice_head(n = 5) %>%
pull(Most_Used_Platform)
Avg_Daily_Usage_Hours <- dane %>%
filter(Most_Used_Platform %in% top5_platform) %>%
group_by(Most_Used_Platform) %>%
summarise(
N = n(),
Min = min(Avg_Daily_Usage_Hours),
Q1 = quantile(Avg_Daily_Usage_Hours, 0.25),
Mediana = median(Avg_Daily_Usage_Hours),
Średnia = mean(Avg_Daily_Usage_Hours),
Q3 = quantile(Avg_Daily_Usage_Hours, 0.75),
Max = max(Avg_Daily_Usage_Hours),
SD = sd(Avg_Daily_Usage_Hours),
IQR = IQR(Avg_Daily_Usage_Hours)
)
kable(
Avg_Daily_Usage_Hours,
digits = 2,
caption = "Statystyki opisowe Avg_Daily_Usage_Hours dla 5 najczęściej używanych platform"
) %>%
kable_paper(full_width = FALSE)| Most_Used_Platform | N | Min | Q1 | Mediana | Średnia | Q3 | Max | SD | IQR |
|---|---|---|---|---|---|---|---|---|---|
| 123 | 2.3 | 3.7 | 4.50 | 4.51 | 5.00 | 7.2 | 1.11 | 1.30 | |
| 249 | 2.2 | 4.0 | 4.70 | 4.87 | 5.70 | 8.5 | 1.24 | 1.70 | |
| TikTok | 154 | 3.3 | 4.6 | 5.30 | 5.35 | 5.97 | 8.4 | 1.05 | 1.38 |
| 30 | 2.1 | 4.4 | 4.65 | 4.87 | 5.47 | 6.3 | 0.87 | 1.07 | |
| 54 | 5.5 | 6.0 | 6.45 | 6.48 | 7.00 | 7.5 | 0.59 | 1.00 |
Osoby, które wskazały WhatsApp jako najczęściej używaną aplikację, spędzają przeciętnie najwięcej czasu ogółem w mediach społecznościowych w ciągu dnia. Wysoki łączny czas korzystania obserwuje się również wśród użytkowników TikToka, natomiast osoby deklarujące Facebook, Instagram lub Twitter jako najczęściej używaną platformę spędzają w mediach społecznościowych średnio mniej czasu. Największe zróżnicowanie dziennego czasu korzystania występuje wśród użytkowników Instagrama, a najmniejsze w grupie użytkowników WhatsAppa.
| platform | boxplot | histogram | points1 |
|---|---|---|---|
| TikTok | |||
4.2 Statystyki opisowe dla zmiennej Addicted Score w podziale na płeć
raport <- list("Addicted Score" =
list("Min"= ~ min(Addicted_Score),
"Max"= ~ max(Addicted_Score),
"Q1"= ~ quantile(Addicted_Score,0.25),
"Mediana"= ~ round(median(Addicted_Score),2),
"Q3"= ~ quantile(Addicted_Score,0.75),
"Średnia"= ~ round(mean(Addicted_Score),2),
"Odch. std."= ~ round(sd(Addicted_Score),2),
"IQR"= ~ round(IQR(Addicted_Score),2),
"Odch. ćwiartkowe"=~round(IQR(Addicted_Score)/2,2),
"Odch. std. w %"=~round((sd(Addicted_Score)/mean(Addicted_Score)),2), "Odch. ćwiartkowe w %"=~round((IQR(Addicted_Score)/median(Addicted_Score)),2), "Skośność"=~round(skew(Addicted_Score),2), "Kurtoza"=~round(kurtosi(Addicted_Score),2) ))
tabela_gender <- dane %>%
group_by(Gender) %>%
summarise(
Min = min(Addicted_Score),
Q1 = quantile(Addicted_Score, 0.25),
Mediana = median(Addicted_Score),
Q3 = quantile(Addicted_Score, 0.75),
Max = max(Addicted_Score),
Średnia = mean(Addicted_Score),
SD = sd(Addicted_Score),
Skośność = psych::skew(Addicted_Score),
Kurtoza = psych::kurtosi(Addicted_Score)
)
kable(tabela_gender,
digits = 2,
caption = "Tabela 4.3. Statystyki opisowe Addicted_Score w podziale na płeć") %>%
kable_paper("striped", full_width = FALSE)| Gender | Min | Q1 | Mediana | Q3 | Max | Średnia | SD | Skośność | Kurtoza |
|---|---|---|---|---|---|---|---|---|---|
| Male | 2 | 5 | 7 | 7 | 9 | 6.36 | 1.45 | -0.45 | -0.82 |
| Female | 3 | 5 | 7 | 8 | 9 | 6.52 | 1.71 | -0.24 | -1.05 |
Średnie i mediany wyników uzależnienia są podobne dla obu płci, przy czym kobiety mają nieco wyższą średnią i większą zmienność. Różnice między mężczyznami a kobietami są niewielkie i nie wskazują na znaczącą przewagę jednej grupy pod względem poziomu uzależnienia.
5 Wnioskowanie statystyczne
anova <- aov(Mental_Health_Score ~ Most_Used_Platform, data=dane)
dane |>
aov(Mental_Health_Score ~ Most_Used_Platform, data=_) |>
tidy() |>
kbl() |>
kable_classic(full_width = FALSE, html_font="Cambria")| term | df | sumsq | meansq | statistic | p.value |
|---|---|---|---|---|---|
| Most_Used_Platform | 11 | 229.1215 | 20.8292240 | 22.89156 | 0 |
| Residuals | 693 | 630.5665 | 0.9099083 | NA | NA |
3.4 Social media a zdrowie psychiczne
Wykres przedstawia linię regresji liniowej obrazującą zależność pomiędzy poziomem uzależnienia od social mediów a zdrowiem psychicznym studentów. Wraz ze wzrostem poziomu uzależnienia obserwuje się spadek wyników zdrowia psychicznego.